TensorFlow中tf.image.adjust_contrast作为模型层调用时参数缺失问题

为调试需求构建了如下迷你模型：

def build_mini_model(contrast_factor=1.25):
    # Define input layer with variable input shape
    inputs = tf.keras.Input(shape=(None, None, 3))  # Accepts images of any size with 3 channels (RGB)

    # Convert RGB to grayscale
    x= tf.image.rgb_to_grayscale(inputs)

    # Enhance contrast
    x = tf.image.adjust_contrast(x, contrast_factor)

    # Create a functional model
    mini_model = Model(inputs=inputs, outputs=x)
    return mini_model

模型创建编译后，摘要显示正常：

Model: "model_3"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 input_5 (InputLayer)        [(None, None, None, 3)]   0         
                                                                 
 tf.image.rgb_to_grayscale_  (None, None, None, 1)     0         
 4 (TFOpLambda)                                                   
                                                                 
 tf.image.adjust_contrast_4  (None, None, None, 1)     0         
  (TFOpLambda)                                                    
                                                                 
=================================================================
Total params: 0 (0.00 Byte)
Trainable params: 0 (0.00 Byte)
Non-trainable params: 0 (0.00 Byte)

但逐层传入测试图像时：

l_in = tf.random.normal((1, 32, 32, 3))
for x in range(len(mini_model.layers)):
    print(x,mini_model.layers[x].name, l_in.shape)
    l_out = mini_model.layers[x](l_in)  
    print("              ", l_out.shape)
    l_in = l_out

调用tf.image.adjust_contrast对应的层时出现TypeError，提示缺少必要位置参数。但直接调用tf.image.adjust_contrast函数却能正常运行：

l_in = tf.random.normal((1, 32, 32, 3))
l_out = model.layers[0](l_in)
print(0,model.layers[0].name, l_in.shape)
print("    ",l_out.shape)

l_in = l_out
l_out = model.layers[1](l_in)
print(1,model.layers[1].name, l_in.shape)
print("    ",l_out.shape)

l_in = l_out
print(x,model.layers[2].name, l_in.shape)
l_out = tf.image.adjust_contrast(l_in, 1.25)
print("    ",l_out.shape)

在Keras函数式API中直接使用tf.image.adjust_contrast时，Keras会自动将其包装成一个TFOpLambda层，但这个包装过程并未把contrast_factor参数固化到层的调用逻辑中。模型整体运行时，参数通过构建阶段的数据流绑定传递，但单独调用层实例时，仅传入输入张量而未提供contrast_factor这个必要参数，因此触发TypeError。

而直接调用tf.image.adjust_contrast函数时，显式传入了contrast_factor=1.25，所以能正常执行。

有两种可行的解决方式：

方式一：用Lambda层包装操作，固化参数 #

修改模型构建代码，用tf.keras.layers.Lambda把对比度调整操作包装起来，将contrast_factor参数固化到层中，后续单独调用层时无需再传参数：

def build_mini_model(contrast_factor=1.25):
    inputs = tf.keras.Input(shape=(None, None, 3))
    x = tf.image.rgb_to_grayscale(inputs)
    # 用Lambda层包装，固化contrast_factor参数
    x = tf.keras.layers.Lambda(lambda img: tf.image.adjust_contrast(img, contrast_factor))(x)
    mini_model = tf.keras.Model(inputs=inputs, outputs=x)
    return mini_model

方式二：单独调用层时手动传入参数 #

如果不想修改模型结构，在逐层调用tf.image.adjust_contrast对应的层时，手动传入contrast_factor参数：

l_in = tf.random.normal((1, 32, 32, 3))
for x in range(len(mini_model.layers)):
    print(x, mini_model.layers[x].name, l_in.shape)
    if x == 2:  # 对应对比度调整层
        l_out = mini_model.layers[x](l_in, contrast_factor=1.25)
    else:
        l_out = mini_model.layers[x](l_in)
    print("              ", l_out.shape)
    l_in = l_out

内容的提问来源于stack exchange，提问作者user1245262